Identifikasi faktor-faktor yang berpengaruh terhadap indeks pembangunan manusia provinsi jawa barat dengan pendekatan regresi spasial

IDENTIFIKASI FAKTOR-FAKTOR YANG BERPENGARUH
TERHADAP INDEKS PEMBANGUNAN MANUSIA PROVINSI
JAWA BARAT DENGAN PENDEKATAN REGRESI SPASIAL

HAPPY BERTHALINA

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi FaktorFaktor yang Berpengaruh terhadap Indeks Pembangunan Manusia Provinsi Jawa
Barat dengan Pendekatan Regresi Spasial adalah benar karya saya dengan arahan
dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Agustus 2014

Happy Berthalina
NIM G14100062

ABSTRAK
HAPPY BERTHALINA. Identifikasi Faktor-Faktor yang Berpengaruh
terhadap Indeks Pembangunan Manusia Provinsi Jawa Barat dengan
Pendekatan Regresi Spasial. Dibimbing oleh BAMBANG SUMANTRI dan
MUHAMMAD NUR AIDI.
Indeks Pembangunan Manusia (IPM) merupakan sebuah ukuran yang
digunakan dalam memantau dan mengevaluasi pembangunan manusia di
Provinsi Jawa Barat. Nilai IPM dipengaruhi oleh 3 komponen, yaitu tingkat
pendidikan, tingkat kesehatan, dan standar hidup yang layak. Identifikasi
faktor-faktor yang mempengaruhi IPM Provinsi Jawa Barat dilakukan dengan
pendekatan regresi spasial karena kemungkinan nilai IPM saling berhubungan
pada kabupaten/kota yang letaknya saling bersinggungan secara geografis di
Provinsi Jawa Barat. Hasil penelitian menunjukkan bahwa terdapat pengaruh
spasial pada nilai IPM Provinsi Jawa Barat dan model spasial yang dihasilkan

adalah model lag spasial. Terdapat 4 peubah penjelas yang berpengaruh nyata
terhadap IPM Provinsi Jawa Barat yaitu persentase penduduk yang buta huruf,
angka harapan hidup, rata-rata pengeluaran perkapita untuk rumah tangga, dan
persentase penduduk dengan lulusan tertinggi minimal SMA/sederajat. Hasil
pengujian kebaikan model menunjukkan bahwa model lag spasial lebih baik
dari model regresi klasik dengan nilai koefisien determinasi ( ) yang lebih
besar dan nilai Akaike Information Criteria (AIC) yang lebih kecil.
Kata kunci: IPM, Model Lag Spasial, Model Regresi Klasik.

ABSTRACT
HAPPY BERTHALINA. Identification of Factors which Affecting the Human
Development Index in West Java Province using Spatial Regression.
Supervised by BAMBANG SUMANTRI and MUHAMMAD NUR AIDI.
Human Development Index (HDI) is a measure used to monitor and
evaluate the human development in West Java Province. HDI is affected by
three components, namely education level, health level, and proper living
standard. The factors that affect the HDI of West Java is identified by spatial
regression tehnique because because of the possibility of the HDI value of
nearby towns or districts interrelated each other. The research result shows
there is a significant spatial effect to the HDI and the best fit model is spatial

autoregressive model. There are four explanatory variables that significantly
affect the HDI of West Java, namely proportion of illiterate, life expectancy,
households expenditure per capita average, and proportion of population with
at least high school level of education. Based on the coefficient of
determination (
) and Akaike Information Criteria (AIC), the spatial
autoregressive model is better than the classical regression model
Key Words: Classic Regression Model, HDI, Spatial Autoregressive Model.

IDENTIFIKASI FAKTOR-FAKTOR YANG BERPENGARUH
TERHADAP INDEKS PEMBANGUNAN MANUSIA PROVINSI
JAWA BARAT DENGAN PENDEKATAN REGRESI SPASIAL

HAPPY BERTHALINA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika

DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Judul Skripsi : Identifikasi Faktor-Faktor yang Berpengaruh terhadap Indeks
Pembangunan Manusia Provinsi Jawa Barat dengan
Pendekatan Regresi Spasial
Nama
: Happy Berthalina
NIM
: G14100062

Disetujui oleh

Ir Bambang Sumantri
Pembimbing I

Dr Ir Muhammad Nur Aidi, MS
Pembimbing II

Diketahui oleh

Dr Anang Kurnia, MSi
Ketua Departemen

Tanggal Lulus:

PRAKATA
Segala puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa
atas cinta dan kasih-Nya sehingga penulis dapat menyelesaikan karya ilmiah
yang berjudul Identifikasi Faktor-Faktor yang Berpengaruh terhadap Indeks
Pembangunan Manusia Provinsi Jawa Barat dengan Pendekatan Regresi
Spasial.
Penulis mengucapkan terima kasih kepada Direktorat Jenderal
Pendidikan Tinggi Kementerian Pendidikan dan Kebudayaan RI, Yayasan
Bhakti Tanoto, dan Yayasan Karya Salemba Empat yang telah memberikan
beasiswa selama penulis menuntut ilmu di IPB. Penulis juga mengucapkan

terima kasih kepada Bapak Ir Bambang Sumantri dan Bapak Dr Ir Muhammad
Nur Aidi, MS sebagai dosen pembimbing serta Dr Anang Kurnia, MSi sebagai
dosen penguji yang telah memberikan bimbingan, saran, dan pengetahuannya
selama penulis menyusun karya ilmiah ini. Penulis juga mengucapkan terima
kasih kepada Mama dan ketiga adik terkasih, yaitu Olin, Lala, dan Jeremia
yang tak pernah berhenti memberikan cinta, kasih sayang, doa, perhatian dan
dukungan kepada penulis. Selain itu, penulis mengucapkan terima kasih
kepada teman-teman statistika 47 IPB, teman-teman satu pelayanan di Komisi
Pelayanan Anak (KPA) PMK IPB terutama KPAnis 47, teman-teman kosan
Wisma Jenius, serta adik-adik kelompok kecil Debora, Anna, Hanna, Wijay,
Martha, dan Fida yang telah memberikan semangat dan berbagi kebersamaan,
suka, duka, serta kisah dan cerita hidup.
Penulis mohon maaf atas segala kekurangan dan kesalahan dalam
penulisan karya ilmiah ini. Semoga karya ilmiah ini bermanfaat bagi semua
pihak yang membutuhkannya. Terima kasih.

Bogor, Agustus 2014

Happy Berthalina

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan

1

METODOLOGI

2

Data

2

Metode Analisis Data

2

HASIL DAN PEMBAHASAN

5

Eksplorasi Data

5

Analisis Regresi Klasik

8

Pemeriksaan Asumsi Model Regresi Klasik

9

Analisis Regresi Spasial

9

Pemeriksaan Asumsi Model Lag Spasial

12

Uji Kebaikan Model Regresi Klasik dan Model Lag Spasial

12

SIMPULAN DAN SARAN

13

Simpulan

13

Saran

14

DAFTAR PUSTAKA

14

RIWAYAT HIDUP

21

DAFTAR TABEL
1
2
3
4
5

Penyebaran Indeks Pembangunan Manusia Provinsi Jawa Barat
Pendugaan parameter regresi klasik metode regresi bertatar
Hasil pengujian pengaruh spasial dengan Lagrange Multiplier
Pendugaan parameter model lag spasial dengan 4 peubah penjelas yang
berpengaruh nyata
Nilai
dan AIC model regresi klasik dan model lag spasial

7
8
10
11
13

DAFTAR GAMBAR
1
2

Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat tahun 2011
Peta tematik Indeks Pembangunan Manusia Provinsi Jawa Barat tahun
2011

6
6

DAFTAR LAMPIRAN
1
2
3
4
5
6
7

Daftar peubah-peubah penjelas yang diduga mempengaruhi IPM Provinsi
Jawa Barat
15
Plot masing-masing peubah penjelas terhadap IPM
17
Pengujian dan pendugaan parameter dengan metode regresi bertatar
17
Pemeriksaan asumsi model regresi klasik
18
Matriks pembobot spasial dengan persinggungan queen contiguity
19
Matriks pembobot spasial hasil metode normalisasi baris
19
Pemeriksaan asumsi model lag spasial
20

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang kaya akan sumber daya alam. Kekayaan
alam ini dapat meningkatkan pendapatan dan kesejahteraan masyarakat jika
Indonesia mampu mengelola sumber daya alam dengan baik. Namun
kenyataannya, masyarakat atau sumber daya manusia yang ada belum mampu
mengelola dan memanfaatkan sumber daya alam secara maksimal. Keadaan ini
membuat Indonesia terus-menerus melakukan pembangunan terutama di sektor
manusia, namun hasilnya belum optimal. Pembangunan manusia yang dimaksud
adalah menjadikan manusia sebagai fokus dan sasaran akhir dari seluruh kegiatan
pembangunan (BPS 2012). Tujuan akhir dari pembangunan manusia adalah setiap
masyarakat dapat menguasai dan mengelola sumber daya yang ada dengan baik
sehingga masyarakat dapat hidup lebih sejahtera. Alat ukur dalam memantau dan
mengevaluasi pembangunan manusia adalah Indeks Pembangunan Manusia
(IPM). Semakin tinggi nilai IPM suatu wilayah, maka pembangunan manusia di
wilayah itu semakin baik.
Jawa Barat merupakan provinsi yang memiliki nilai IPM dengan peringkat
ke-16 di Indonesia. Nilai IPM Provinsi Jawa Barat sebesar 72.29 pada tahun 2010
dan meningkat menjadi 72.73 pada tahun 2011 (BPS 2012). Peningkatan nilai
IPM ini menunjukkan bahwa pembangunan manusia di Provinsi Jawa Barat
meningkat dari tahun 2010 ke tahun 2011.
Nilai IPM dipengaruhi oleh beberapa komponen, yaitu tingkat pendidikan,
tingkat kesehatan, dan standar hidup yang layak. Panjaitan (2012) melakukan
penelitian untuk mengidentifikasi faktor-faktor yang mempengaruhi IPM pada 33
provinsi di Indonesia pada tahun 2010. Hasil penelitiannya menjelaskan bahwa
faktor-faktor yang mempengaruhi IPM di Indonesia yaitu persentase penduduk
buta huruf, Angka Partisipasi Sekolah (APS) usia 16-18 tahun, angka harapan
hidup, dan rata-rata konsumsi perkapita. Hasil penelitiannya juga menjelaskan
bahwa IPM di Indonesia memiliki pengaruh spasial dan model spasial yang paling
sesuai adalah model sisaan spasial.
Hasil penelitian Panjaitan (2012) menjadi acuan dalam melakukan
penelitian ini untuk mengidentifikasi faktor-faktor yang mempengaruhi IPM
Provinsi Jawa Barat pada tahun 2011. Penelitian ini dilakukan dengan
menggunakan pendekatan regresi spasial karena kemungkingan nilai IPM suatu
kabupaten/kota di pengaruhi oleh kabupaten/kota lainnya. Hasil penelitian ini
diharapkan dapat menjadi evaluasi bagi Pemerintah Provinsi Jawa Barat untuk
terus meningkatkan pembangunan manusia setiap tahunnya.

Tujuan
Tujuan yang ingin dicapai dalam penelitian ini, yaitu:
1. Mengidentifikasi pengaruh spasial pada nilai Indeks Pembangunan Manusia
(IPM) Provinsi Jawa Barat.

2
2. Menentukan faktor-faktor yang mempengaruhi Indeks Pembangunan
Manusia (IPM) di Provinsi Jawa Barat.

METODOLOGI
Data
Penelitian ini menggunakan data sekunder yang diperoleh dari publikasi
Badan Pusat Statistik (BPS) yaitu Data Basis Indeks Pembangunan Manusia
(IPM) Provinsi Jawa Barat Tahun 2010-2011, Data Sosial Ekonomi Masyarakat
Provinsi Jawa Barat 2011, dan Tinjauan Regional Berdasarkan PDRB
Kabupaten/Kota 2008-2011 Pulau Jawa-Bali Buku 2. Penelitian ini menggunakan
Indeks Pembangunan Manusia (IPM) setiap kabupaten/kota Provinsi Jawa Barat
tahun 2011 sebagai peubah respon dan 11 peubah penjelas yang diduga
mempengaruhi IPM Provinsi Jawa Barat dalam komponen pendidikan, kesehatan,
dan tingkat kesehatan. Daftar peubah-peubah penjelas yang digunakan dalam
penelitian ini ditunjukkan pada Lampiran 1.

Metode Analisis Data
Tahapan analisis yang dilakukan adalah sebagai berikut:
1. Menentukan peubah-peubah penjelas yang diduga berpengaruh nyata
terhadap IPM Provinsi Jawa Barat dalam tingkat pendidikan, tingkat
kesehatan, dan standar hidup yang layak.
2. Melakukan eksplorasi data IPM Provinsi Jawa Barat dengan statistika
deskriptif dan membuat peta tematik penyebaran IPM Provinsi Jawa Barat.
3. Melakukan pengujian dan pendugaan parameter model regresi klasik
menggunakan metode pemilihan model regresi klasik terbaik stepwise
regression atau regresi bertatar. Proses pemilihan model regresi klasik dengan
metode regresi bertatar adalah sebagai berikut (Draper dan Smith 1998):
a. Menghitung korelasi masing-masing peubah penjelas terhadap IPM
Provinsi Jawa Barat.
b. Memasukkan peubah penjelas yang mempunyai nilai korelasi paling
tinggi terhadap IPM Provinsi Jawa Barat ke dalam persamaan regresi.
c. Mencari persamaan regresi dari peubah penjelas yang dimasukkan
dengan nilai IPM Provinsi Jawa Barat. Nilai-F yang lebih besar dari
nilai-F untuk masuk (nilai-p yang lebih kecil dari nilai untuk masuk)
memberikan kesimpulan bahwa peubah penjelas tersebut nyata sehingga
peubah penjelas yang berada di dalam persamaan regresi harus di
pertahankan dan analisis dilanjutkan pada langkah (d). Nilai-F yang lebih
kecil dari nilai-F untuk masuk (nilai-p yang lebih besar dari nilai untuk
masuk) memberikan kesimpulan peubah penjelas tersebut tidak nyata
sehingga peubah penjelas harus di keluarkan dan analisis akan berhenti
dengan persamaan regresi yang terbentuk ̂ ̅.

3

4.

d. Menghitung nilai korelasi parsial peubah-peubah penjelas lain diluar
persamaan terhadap IPM Provinsi Jawa Barat.
e. Memasukkan peubah penjelas lain di luar persamaan yang mempunyai
nilai korelasi parsial yang paling tinggi terhadap IPM Provinsi Jawa
Barat ke dalam persamaan regresi.
f. Mencari persamaan regresi yang baru dan melihat nilai-F parsial dari
masing-masing peubah penjelas yang terdapat dalam persamaan regresi.
Jika nilai-F parsial peubah penjelas yang baru dimasukkan lebih besar
dari nilai-F untuk masuk (nilai-p yang lebih kecil dari nilai untuk
masuk), maka akan memberikan kesimpulan peubah penjelas yang baru
dimasukkan ke dalam persamaan regresi nyata sehingga harus
dipertahankan dan analisis akan dilanjutkan pada langkah (g). Jika nilai-F
parsial peubah penjelas yang baru dimasukkan lebih kecil dari nilai-F
untuk masuk (nilai-p yang lebih besar dari nilai untuk masuk), maka
akan memberikan kesimpulan peubah penjelas yang baru dimasukkan ke
dalam persamaan regresi tidak nyata sehingga peubah penjelas tersebut
dikeluarkan dari persamaan regresi dan proses analisis regresi bertatar
akan berhenti dan dilanjutkan pada langkah ke-4.
g. Membandingkan nilai-F parsial peubah penjelas sebelumnya dengan
nilai-F untuk keluar. Nilai-F parsial yang lebih besar dari nilai-F untuk
keluar (nilai-p lebih kecil dari nilai
untuk keluar) memberikan
kesimpulan bahwa peubah penjelas tersebut nyata sehingga harus
dipertahankan dalam persamaan regresi. Nilai-F yang lebih kecil dari
nilai-F untuk keluar (nilai-p yang lebih besar dari nilai untuk keluar)
memberikan kesimpulan bahwa peubah penjelas tersebut tidak nyata
sehingga harus dikeluarkan dalam persamaan regresi.
h. Melakukan kembali proses penyeleksian pada peubah-peubah penjelas
lain di luar persamaan regresi sampai tidak ada lagi peubah penjelas di
luar persamaan yang dapat dimasukkan dalam persamaan regresi.
Melakukan pemeriksaan asumsi persamaan regresi yang terbentuk pada
langkah ke-3, yaitu asumsi kenormalan sisaan dan asumsi kehomogenan
ragam sisaan. Asumsi kenormalan sisaan dapat diuji menggunakan plot
tebaran sisaan secara eksploratif dan uji formal Kolmogorov-Smirnov (KS).
Asumsi kehomogenan ragam sisaan diuji dengan menggunakan plot tebaran
sisaan secara eksploratif dan uji formal Breusch-Pagan (BP). Statistik uji
Breusch-Pagan dinyatakan dalam persamaan (Arbia 2006):
(∑

) (∑

) (∑

)

̂
̂ ) dan ̂ = ∑ ̂ Statistik uji BP
̂ (
dengan
̂
menyebar
dengan merupakan banyaknya parameter regresi.
5. Menentukan matriks pembobot spasial (W) berukuran
yang telah
dinormalisasi dengan menghitung elemen matriks pembobot spasial (
sebesar (Lee dan Wong 2001):

∑

4
dimana
merupakan nilai elemen connectivity matrix baris ke- dan kolom
ke- dan merupakan banyaknya amatan. Nilai
diperoleh dari jenis
persinggungan queen contiguity (Dubin 2009).
6. Melakukan uji Indeks Moran ( I ) untuk menguji ada atau tidaknya pengaruh
spasial dengan mengukur korelasi spasial pada amatan. Persamaan Indeks
Moran adalah sebagai berikut (Anselin 1999):
∑

∑
dimana I bernilai -1 0 menunjukkan bahwa nilai korelasi spasial positif
dan nilai I < 0 menunjukkan bahwa nilai korelasi spasial negatif.
7. Menentukan pengaruh spasial yang sesuai dengan uji Lagrange Multiplier
(LM) yaitu (Anselin 1999):
a) Uji pengaruh spasial pada lag
H0 :
(tidak terdapat pengaruh spasial pada lag)
H1 :
(terdapat pengaruh spasial pada lag)
Statistik uji LM yang digunakan untuk model lag spasial, yaitu:

dengan :

[

̂

(

̂

)

⁄

⁄
̂

]

b) Uji pengaruh spasial pada sisaan
H0 :
(tidak terdapat pengaruh spasial pada sisaan)
H1 :
(terdapat pengaruh spasial pada sisaan)
Statistik uji LM yang digunakan untuk model sisaan spasial, yaitu:
⁄

8.

⁄

dimana merupakan vektor sisaan berukuran x 1, merupakan banyaknya
amatan,
merupakan matriks pembobot spasial yang telah dinormalisasi,
dan tr merupakan operasi teras matriks. Jika nilai statistik LM setiap model
spasial lebih besar dari
dengan q merupakan banyaknya parameter regresi
spasial yaitu 1 (nilai-p lebih kecil dari taraf nyata α), maka akan tolak H0
sehingga memutuskan cukup bukti untuk menyimpulkan bahwa terdapat
pengaruh spasial pada lag/sisaan.
Melakukan pengujian dan pendugaan parameter regresi pada model spasial
yang terpilih. Model spasial terdiri atas spatial autoregressive model atau
model lag spasial dan spatial error model atau model sisaan spasial.
a) Model lag spasial
Model spasial yang terbentuk jika
dan
adalah sebagai berikut:

5

dengan
dan
berikut:

merupakan koefisien lag spasial dan merupakan vektor sisaan
. Penduga untuk model lag spasial adalah sebagai
̂

b) Model sisaan spasial
Model spasial yang terbentuk jika
(Anselin 1999):

̂

dan

adalah sebagai berikut

, dengan
dengan merupakan koefisien sisaan spasial dan penduga
sisaan spasial adalah sebagai berikut :

9.

untuk model

̂

Melakukan pemeriksaan asumsi kenormalan sisaan dan asumsi kehomogenan
ragam sisaan pada model spasial yang terpilih.
10. Melakukan uji kebaikan model spasial dengan menghitung nilai koefisien
determinasi (
) dan Akaike Information Criteria (AIC) untuk
membandingkan model yang terbaik. Nilai
dapat dihitung dengan (Draper
dan Smith 1998) :
∑
̂
̅
∑
̅
dengan
merupakan nilai pada wilayah ke- , ̂ merupakan nilai dugaan
pada wilayah ke- , dan ̅ merupakan nilai rataan dari n amatan. Persamaan
untuk nilai AIC diperoleh dari :
dengan
merupakan log kemungkinan maksimum dan p merupakan
banyaknya parameter (Dufour 2008).

HASIL DAN PEMBAHASAN
Eksplorasi Data
Jawa Barat merupakan provinsi yang terbagi atas 17 kabupaten dan 9 kota
serta luas wilayah 37 173.97 km2 (BPS 2012). Ukuran pembangunan manusia di
Provinsi Jawa Barat dapat dilihat dari nilai Indeks Pembangunan Manusia (IPM).
Gambar 1 menunjukkan nilai IPM Provinsi Jawa Barat pada tahun 2011.
Nilai IPM Provinsi Jawa Barat pada Gambar 1 berbeda di setiap kabupaten/kota di
Provinsi Jawa Barat, namun keragamannya tidak terlalu besar yaitu 7.033. Nilai
IPM dari 26 kabupaten/kota di Provinsi Jawa Barat sebesar 72.73 dengan nilai
IPM tertinggi terdapat pada Kota Depok yaitu 79.36 dan nilai IPM terendah
terdapat pada Kabupaten Indramayu dengan nilai IPM sebesar 68.40.

82
80
78
76
74
72
70
68
66
64
62
Bogor
Sukabumi
Cianjur
Bandung
Garut
Tasikmalaya
Ciamis
Kuningan
Cirebon
Majalengka
Sumedang
Indramayu
Subang
Purwakarta
Karawang
Bekasi
Bandung Barat
Kota Bogor
Kota Sukabumi
Kota Bandung
Kota Cirebon
Kota Bekasi
Kota Depok
Kota Cimahi
Kota Tasikmalaya
Kota Banjar

IPM

6

Kabupaten/Kota

Gambar 1 Indeks Pembangunan Manusia (IPM) Provinsi Jawa Barat tahun 2011
Penyebaran IPM di setiap kabupaten/kota Provinsi Jawa Barat dapat dilihat
secara visual dalam peta tematik IPM Provinsi Jawa Barat (Gambar 2). Peta
tematik pada Gambar 2 mengelompokkan IPM Provinsi Jawa Barat menjadi
empat kelompok (Tabel 1). Penyebaran IPM pada Gambar 2 juga menunjukkan
nilai IPM Provinsi Jawa Barat cenderung mengelompok.

Gambar 2 Peta tematik Indeks Pembangunan Manusia Provinsi Jawa Barat tahun
2011
Penyebaran IPM Provinsi Jawa Barat pada Gambar 2 menunjukkan bahwa
kelompok kabupaten/kota dengan nilai IPM yang tinggi cenderung berada di
tengah dan semakin menurun nilainya pada kabupaten/kota yang berada di bagian

7
tepi, kecuali Kota Bekasi dan Kota Depok karena memiliki selang nilai IPM pada
selang 76.65-79.39. Hal ini dapat dikarenakan Kota Depok dan Kota Bekasi
berbatasan langsung dengan Provinsi DKI Jakarta yang merupakan ibukota
Negara Indonesia. Gambar 2 menunjukkan bahwa kemungkinan terdapat
pengaruh spasial dan nilai korelasi spasialnya positif.
Tabel 1 menunjukkan bahwa sebagian besar kabupaten/kota termasuk dalam
kelompok 2 dengan selang nilai IPM dari 71.15 sampai 73.89, yaitu Kabupaten
Bogor, Kabupaten Bekasi, Kabupaten Purwakarta, Kabupaeten Bandung Barat,
Kabupaten Garut, Kabupaten Tasikmalaya, Kabupaten Ciamis, Kabupaten
Sumedang, Kabupaten Subang, Kabupaten Kuningan, dan Kota Banjar.
Tabel 1 Penyebaran Indeks Pembangunan Manusia Provinsi Jawa Barat
Kelompok Selang IPM
Wilayah
1
68.40-71.14 Kabupaten
Sukabumi,
Kabupaten
Cianjur,
Kabupaten Karawang, Kabupaten Indramayu,
Kabupaten Majalengka, dan Kabupaten Cirebon
2
71.15-73.89 Kabupaten Bogor, Kabupaten Bekasi, Kabupaten
Purwakarta,
Kabupaten
Subang,
Kabupaten
Bandung Barat, Kabupaten Sumedang, Kabupaten
Garut, Kabupaten Tasikmalaya, Kabupaten Ciamis,
Kabupaten Kuningan, dan Kota Banjar
3
73.90-76.64 Kota Bogor, Kota Sukabumi, Kota Cimahi, Kota
Bandung, Kota Tasikmalaya, Kota Cirebon, dan
Kabupaten Bandung
4
76.65-79.39 Kota Depok dan Kota Bekasi
Hubungan masing-masing peubah penjelas terhadap IPM dapat dilihat pada
Lampiran 2. Plot tebaran masing-masing peubah penjelas terhadap IPM pada
Lampiran 2 menunjukkan bahwa peubah angka harapan hidup (X2), Angka
Partisipasi Sekolah (APS) usia 16-18 tahun (X4), rata-rata pengeluaran perkapita
untuk rumah tangga (X5), persentase penduduk dengan lulusan tertinggi minimal
SMA/sederajat (X6), tingkat pengangguran terbuka (X7), dan PDRB perkapita
(X9) memiliki hubungan positif dengan IPM Provinsi Jawa Barat. Hubungan ini
menunjukkan bahwa semakin tinggi nilai peubah angka harapan hidup (X2),
Angka Partisipasi Sekolah (APS) usia 16-18 tahun (X4), rata-rata pengeluaran
perkapita untuk rumah tangga (X5), persentase penduduk dengan lulusan tertinggi
minimal SMA/sederajat (X6), tingkat pengangguran terbuka (X7), dan PDRB
perkapita (X9), maka nilai IPM Provinsi Jawa Barat akan semakin tinggi. Peubah
persentase penduduk yang buta huruf (X1), persentase penduduk miskin (X3),
persentase rumah tangga yang tidak memiliki sumber air minum bersih (X8),
persentase balita yang tidak mendapat imunisasi (X10), dan persentase rumah
tangga yang tidak memiliki fasilitas buang air besar (X11) memiliki hubungan
negatif dengan IPM Provinsi Jawa Barat. Hubungan ini menunjukkan bahwa
semakin tinggi nilai dari peubah persentase penduduk yang buta huruf (X1),
persentase penduduk miskin (X3), persentase rumah tangga yang tidak memiliki
sumber air minum bersih (X8), persentase balita yang tidak mendapat imunisasi

8
(X10), dan persentase rumah tangga yang tidak memiliki fasilitas buang air besar
(X11), maka nilai IPM Provinsi Jawa Barat akan semakin rendah.
Analisis Regresi Klasik
Analisis regresi bertujuan untuk menentukan peubah-peubah penjelas yang
berpengaruh nyata terhadap peubah respon. Penentuan peubah-peubah penjelas
yang berpengaruh nyata terhadap IPM Provinsi Jawa Barat dapat dilakukan
dengan metode pemilihan model regresi klasik terbaik regresi bertatar. Metode ini
menyisipkan satu demi satu peubah penjelas yang masih berada di luar persamaan
dengan melihat nilai korelasi parsial yang paling tinggi terhadap peubah respon
sampai diperoleh persamaan regresi yang memuaskan (Draper dan Smith 1998).
Lampiran 3 menunjukkan bahwa metode regresi bertatar menghasilkan 4
peubah penjelas yang berpengaruh nyata terhadap IPM Provinsi Jawa Barat
dengan taraf nyata untuk masuk sama dengan taraf nyata untuk keluar sebesar 5%.
Peubah–peubah yang berpengaruh nyata tersebut antara lain persentase penduduk
yang buta huruf (X1), rata-rata lama sekolah (X2), rata-rata pengeluaran perkapita
untuk rumah tangga (X5), dan persentase penduduk dengan lulusan tertinggi
minimal SMA/sederajat (X6).
Tabel 2 Pendugaan parameter regresi klasik metode regresi bertatar
Peubah
Koefisien
T
Nilai-p
Konstanta
X1
X2
X5
X6

*) nyata pada α=5%

-25.701
-0.316
0.619
8.798
0.054

-4.572
-23.050
18.487
10.419
9.787

0.000
0.000*
0.000*
0.000*
0.000*

Hasil pengujian dan pendugaan parameter model regresi terbaik metode
regresi bertatar pada Tabel 2 menghasilkan nilai Fhitung sebesar 1077.09 dan nilai-p
sebesar 0.000. Nilai-p lebih kecil dari α=5% memberikan kesimpulan cukup bukti
untuk menjelaskan bahwa paling sedikit terdapat satu peubah penjelas yang
berpengaruh nyata terhadap IPM Provinsi Jawa Barat pada taraf nyata 5%.
Persamaan yang terbentuk dari metode regresi bertatar adalah sebagai berikut:
̂
Konstanta pada persamaan yang terbentuk dari metode regresi bertatar
bernilai negatif yaitu sebesar -25.701. Nilai konstanta ini menjelaskan bahwa
ketika peubah persentase penduduk yang buta huruf (X1) dan persentase penduduk
dengan lulusan tertinggi minimal SMA/sederajat (X6) bernilai 0 persen, angka
harapan hidup (X2) bernilai 0 tahun, dan rata-rata pengeluaran perkapita untuk
rumah tangga (X5) bernilai 0 ratus ribu rupiah/kapita, maka nilai dugaan rataan
IPM Provinsi Jawa Barat sebesar -25.701. Interpretasi nilai konstanta ini dapat
diabaikan karena peubah angka harapan hidup (X2) tidak mungkin bernilai 0 tahun
dan peubah rata-rata pengeluaran perkapita untuk rumah tangga (X5) tidak
mungkin bernilai 0 ratus ribu rupiah/kapita. Persamaan yang terbentuk dari model
regresi klasik terbaik metode regresi bertatar menunjukkan bahwa peubah
persentase penduduk yang buta huruf (X1) memiliki hubungan negatif dengan

9
IPM Provinsi Jawa Barat. Hubungan ini menjelaskan bahwa setiap kenaikan
peubah persentase penduduk yang buta huruf (X1) sebesar satu persen akan
menurunkan nilai IPM Provinsi Jawa Barat sebesar 0.316 dengan asumsi peubahpeubah lain dianggap tetap. Peubah angka harapan hidup (X2), rata-rata
pengeluaran perkapita untuk rumah tangga (X5), dan persentase penduduk dengan
lulusan tertinggi minimal SMA/sederajat (X6) memiliki hubungan positif terhadap
IPM Provinsi Jawa Barat. Hubungan ini menjelaskan bahwa setiap kenaikan
peubah angka harapan hidup (X2) sebesar satu tahun, rata-rata pengeluaran
perkapita untuk rumah tangga (X5) sebesar seratus ribu rupiah/kapita, dan
persentase penduduk dengan lulusan tertinggi minimal SMA/sederajat (X6)
sebesar satu persen akan meningkatkan nilai IPM Provinsi Jawa Barat masingmasing sebesar 0.619, 8.798, dan 0.054 dengan asumsi peubah-peubah lain selain
masing-masing peubah tersebut dianggap tetap.

Pemeriksaan Asumsi Model Regresi Klasik
Pemeriksaan asumsi dilakukan setelah memperoleh persamaan regresi
klasik. Asumsi-asumsi yang harus dipenuhi dalam model regresi klasik yaitu
sisaan menyebar normal dan ragam sisaan homogen. Hasil pemeriksaan asumsi
model regresi klasik dapat dilihat pada Lampiran 4. Plot kenormalan sisaan pada
Lampiran 4 menunjukkan bahwa sisaan menyebar normal dengan plot tebaran
sisaan menyebar linear dan hampir membentuk garis lurus. Asumsi kenormalan
sisaan juga dibuktikan dengan uji formal menggunakan uji Kolmogorov-Smirnov
(KS) dengan hipotesis awal (H0) adalah sisaan menyebar normal dan hipotesis
tandingan (H1) adalah sisaan tidak menyebar normal. Hasil dari uji KolmogorovSmirnov menghasilkan nilai KS sebesar 0.111 dan nilai-p yang lebih besar dari
0.150 sehingga terima H0 dan memutuskan tidak cukup bukti untuk
menyimpulkan bahwa sisaan tidak menyebar normal pada taraf nyata 5% dengan
nilai rataan sama dengan nol dan ragam konstan (Lampiran 4).
Uji kehomogenan ragam sisaan secara eksplorasi menunjukkan bahwa
ragam sisaan homogen dengan lebar pita sisaan sama besar pada plot tebaran
sisaan (Lampiran 4). Uji formal yang dilakukan untuk menguji asumsi
kehomogenan ragam sisaan adalah uji Breusch-Pagan (BP) dengan hipotesis awal
(H0) adalah ragam sisaan homogen dan hipotesis tandingan (H1) adalah ragam
sisaan tidak homogen. Uji ini menghasilkan nilai BP sebesar 7.506 dan nilai-p
sebesar 0.111. Nilai BP tersebut lebih kecil dari nilai
sebesar 9.488 sehingga
terima H0 dan memutuskan tidak cukup bukti untuk menyimpulkan bahwa ragam
sisaan tidak homogen pada taraf nyata 5%.

Analisis Regresi Spasial
Indeks Moran
Pengujian Indeks Moran ( I ) dilakukan untuk menguji ada atau tidaknya
pengaruh spasial pada suatu amatan karena kemungkinan nilai amatan saling
berhubungan antar wilayah (Arbia 2006). Pengujian Indeks Moran dilakukan
dengan menentukan matriks pembobot spasial terlebih dahulu dengan

10
menggunakan konsep persinggungan queen contiguity (Lampiran 5). Konsep ini
memberikan nilai
sebesar 1 untuk wilayah yang bersinggungan pada sisi dan
sudutnya dan nilai 0 untuk wilayah yang tidak bersinggungan pada sisi dan
sudutnya (Dubin 2009). Matriks pembobot spasial yang telah terbentuk
selanjutnya dinormalisasi dengan metode normalisasi baris untuk mendapatkan
nilai rata-rata dari wilayah-wilayah yang bersinggungan dengan suatu
kabupaten/kota. Bentuk matriks pembobot spasial yang telah dinormalisasi dapat
dilihat pada Lampiran 6.
Nilai Indeks Moran yang dihasilkan adalah sebesar 0.297 dan nilai-p sebesar
0.009. Nilai
menunjukkan bahwa terdapat pengaruh spasial pada nilai IPM
Provinsi Jawa Barat. Nilai
menunjukkan bahwa terdapat hubungan korelasi
spasial positif, yaitu suatu kabupaten/kota yang memiliki nilai IPM yang tinggi
bersinggungan dengan kabupaten/kota yang memiliki nilai IPM yang tinggi,
begitu pula sebaliknya. Uji Langrange Multiplier perlu dilakukan untuk
menentukan pengaruh spasial yang sesuai pada data IPM Provinsi Jawa Barat.
Uji Lagrange Multiplier
Uji Lagrange Multiplier (LM) dilakukan untuk menentukan pengaruh
spasial yang sesuai pada data IPM Provinsi Jawa Barat. Hasil pengujian Lagrange
Multiplier dapat dilihat pada Tabel 3.
Tabel 3 Hasil pengujian pengaruh spasial dengan Lagrange Multiplier
Model Spasial
Statistik Uji LM
Nilai-p
Model Lag Spasial
Model Sisaan Spasial
*) nyata pada α=5%

10.007
3.511

3.840
3.840

0.002*
0.061

Hasil pengujian Lagrange Multiplier untuk model lag spasial menghasilkan
nilai statistik uji LM untuk model lag spasial sebesar 10.007 dan nilai-p sebesar
0.002. Hasil pengujian ini memberikan keputusan tolak H0 karena nilai statistik
uji LM lebih besar dari nilai
sebesar 3.840 (nilai-p lebih kecil dari α=5%).
Keputusan tolak H0 memutuskan cukup bukti untuk menyimpulkan bahwa
terdapat pengaruh spasial pada lag untuk nilai IPM Provinsi Jawa Barat pada taraf
nyata 5%.
Hasil pengujian Lagrange Multiplier untuk model sisaan spasial
menghasilkan nilai statistik uji LM sebesar 3.511 dan nilai-p sebesar 0.061. Hasil
pengujian ini memberikan keputusan terima H0 karena nilai statistik uji LM lebih
kecil dari nilai
sebesar 3.840 (nilai-p lebih besar dari α=5%). Keputusan
terima H0 memutuskan tidak cukup bukti untuk menyimpulkan bahwa terdapat
pengaruh spasial pada sisaan untuk nilai IPM Provinsi Jawa Barat. Hasil
pengujian Lagrange Multiplier ini memberikan kesimpulan bahwa model spasial
yang sesuai untuk nilai IPM Provinsi Jawa Barat adalah model lag spasial
sehingga model spasial ini dapat dilanjutkan dalam pembentukan model
selanjutnya. Hasil pengujian Lagrange Multiplier pada penelitian ini berbeda
dengan hasil pengujian Lagrange Multiplier pada penelitian Panjaitan (2012)
yang menunjukkan bahwa model sisaan spasial merupakan model regresi spasial
yang sesuai pada nilai IPM Indonesia.

11

Model Lag Spasial
Model lag spasial terbentuk jika peubah respon suatu wilayah dipengaruhi
oleh peubah respon pada wilayah lain yang saling bersinggungan (Anselin 1999).
Hasil pengujian dan pendugaan parameter untuk model lag spasial pada 4 peubah
penjelas yang berpengaruh nyata dapat dilihat pada Tabel 4.
Tabel 4 Pendugaan parameter model lag spasial dengan 4 peubah penjelas yang
berpengaruh nyata
Peubah
Koefisien
Z
Nilai-p
Konstanta
-30.885
-5.228
0.000
X1
-0.311
-25.834
0.000*
X2
0.605
20.085
0.000*
X5
9.196
11.843
0.000*
X6
0.052
10.124
0.000*
0.051
1.606
0.000*
*) nyata pada α=5%

Tabel 4 menunjukkan bahwa persentase penduduk yang buta huruf (X1),
angka harapan hidup (X2), rata-rata pengeluaran perkapita untuk rumah tangga
(X5), persentase penduduk dengan lulusan tertinggi minimal SMA/sederajat (X6),
dan koefisien lag spasial ( berpengaruh nyata dalam model lag spasial. Hasil ini
dilihat dari nilai-p masing-masing peubah penjelas lebih kecil dari α=5% dan
memberikan keputusan tolak H0. Keputusan tolak H0 memutuskan cukup bukti
untuk menyimpulkan bahwa nilai IPM Provinsi Jawa Barat memiliki
ketergantungan spasial pada lag pada taraf nyata 5%. Persamaan lag spasial yang
diperoleh yaitu:
̂

Konstanta pada persamaan lag spasial bernilai negatif yaitu sebesar -30.885.
Nilai konstanta ini menjelaskan bahwa ketika peubah persentase penduduk yang
buta huruf (X1) dan persentase penduduk dengan lulusan tertinggi minimal
SMA/sederajat (X6) bernilai 0 persen, angka harapan hidup (X2) bernilai 0 tahun,
dan rata-rata pengeluaran perkapita untuk rumah tangga (X5) bernilai 0 ratus ribu
rupiah/kapita, maka nilai IPM Provinsi Jawa Barat sebesar -30.885. Interpretasi
nilai konstanta ini dapat diabaikan karena peubah angka harapan hidup (X2) tidak
mungkin bernilai 0 tahun dan peubah rata-rata pengeluaran perkapita untuk rumah
tangga (X5) tidak mungkin bernilai 0 ratus ribu rupiah/kapita. Koefisien lag
spasial
yang nyata pada persamaan lag spasial menunjukkan bahwa masingmasing kabupaten/kota yang bersinggungan dengan suatu kabupaten/kota di
Provinsi Jawa Barat akan memberikan pengaruh sebesar 0.051 dikalikan rata-rata
IPM dari kabupaten/kota lain yang bersinggungan. Persamaan lag spasial
menunjukkan bahwa peubah persentase penduduk yang buta huruf (X1) memiliki
hubungan negatif terhadap IPM Provinsi Jawa Barat. Pernyataan tersebut
menjelaskan bahwa setiap kenaikan peubah persentase penduduk yang buta huruf
(X1) sebesar satu persen akan menurunkan nilai IPM Provinsi Jawa Barat sebesar
0.311 dengan asumsi peubah lain dianggap tetap. Peubah-peubah lain seperti
angka harapan hidup (X2), rata-rata pengeluaran perkapita untuk rumah tangga

12
(X5), dan persentase penduduk dengan lulusan tertinggi minimal SMA/sederajat
(X6) memiliki hubungan positif terhadap IPM Provinsi Jawa Barat. Hubungan ini
menjelaskan setiap kenaikan angka harapan hidup (X2) sebesar satu tahun, ratarata pengeluaran perkapita untuk rumah tangga (X5) sebesar seratus ribu
rupiah/kapita, dan persentase penduduk dengan lulusan tertinggi minimal
SMA/sederajat (X6) sebesar satu persen akan meningkatkan IPM Provinsi Jawa
Barat masing-masing sebesar 0.605, 9.196, dan 0.052 dengan asumsi peubahpeubah lain selain masing-masing peubah tersebut dianggap tetap.
Model lag spasial yang terbentuk menunjukkan bahwa komponen tingkat
pendidikan, tingkat kesehatan, dan standar hidup yang layak berpengaruh nyata
terhadap IPM Provinsi Jawa Barat. Persentase penduduk yang buta huruf (X1) dan
persentase penduduk dengan lulusan tertinggi minimal SMA/sederajat (X6) yang
berpengaruh nyata menunjukkan bahwa pendidikan berperan penting dalam
pembangunan manusia di Provinsi Jawa Barat. Pemerintah diharapkan untuk
terus meningkatkan pendidikan untuk semua masyarakat minimal sampai
pendidikan tingkat menengah sehingga tidak ada lagi masyarakat yang buta huruf
atau tidak dapat membaca dan menulis. Angka harapan hidup (X2) sebagai
komponen kesehatan yang berpengaruh nyata menunjukkan bahwa pemerintah
Provinsi Jawa Barat perlu memperhatikan kesehatan dan ketahanan tubuh
masyarakat sejak dari balita. Pemerintah Provinsi Jawa Barat juga perlu
memperhatikan nilai rata-rata pengeluaran perkapita untuk rumah tangga (X5)
sebagai komponen standar hidup yang layak yang menunjukkan besar atau
kecilnya tingkat kesejahteraan masyarakat Provinsi Jawa Barat.

Pemeriksaan Asumsi Model Lag Spasial
Pemeriksaan asumsi pada sisaan dilakukan setelah memperoleh persamaan
lag spasial, yaitu asumsi sisaan menyebar normal dan ragam sisaan homogen.
Hasil pemeriksaan asumsi kenormalan sisaan secara eksplorasi dapat dilihat pada
Lampiran 7. Plot kenormalan sisaan pada Lampiran 7 menunjukkan bahwa sisaan
menyebar normal dengan plot tebaran sisaan menyebar linear dan hampir
membentuk garis lurus. Asumsi kenormalan sisaan juga dibuktikan dengan uji
formal Kolmogorov-Smirnov (KS). Hasil uji Kolmogorov-Smirnov menghasilkan
nilai KS sebesar 0.077 dengan nilai-p yang lebih besar 0.150 dengan hipotesis
awal (H0) adalah sisaan menyebar normal dan hipotesis tandingan (H1) adalah
sisaan tidak menyebar normal. Uji Kolmogorov-Smirnov menghasilkan nilai-p
lebih kecil dari α=5% sehingga terima H0 dan memutuskan tidak cukup bukti
untuk menyimpulkan bahwa sisaan tidak menyebar normal pada taraf nyata 5%.
Uji kehomogenan ragam sisaan secara eksplorasi menunjukkan bahwa
ragam sisaan homogen dengan lebar pita sisaan sama besar pada plot tebaran
sisaan (Lampiran 7). Uji formal Breusch-Pagan (BP) mendukung uji
kehomogenan ragam sisaan secara eksplorasi dengan hipotesis awal (H0) adalah
ragam sisaan homogen dan hipotesis tandingan (H1) adalah ragam sisaan tidak
homogen. Uji ini menghasilkan nilai BP sebesar 0.588 dan nilai-p sebesar 0.745.
Nilai BP tersebut lebih kecil dari nilai
sebesar 9.488 sehingga terima H0 dan
memutuskan tidak cukup bukti untuk menyimpulkan bahwa ragam sisaan tidak
homogen pada taraf nyata 5%.

13
Uji Kebaikan Model Regresi Klasik dan Model Lag Spasial
Pemilihan model regresi yang paling sesuai untuk data IPM Provinsi Jawa
Barat dapat dilihat dengan melakukan uji kebaikan model. Kebaikan suatu model
regresi dapat dilihat dari nilai koefisien determinasi
dan Akaike Information
Criteria (AIC).
Tabel 5 Nilai
dan AIC model regresi klasik dan model lag spasial
Model
AIC
Model Regresi Klasik
99.51%
-3.062
Model Lag Spasial
99.56%
-3.529
Draper dan Smith (1998) menjelaskan bahwa semakin tinggi nilai
maka
model yang dihasilkan akan semakin baik. Nilai
model regresi klasik dan
model lag spasial yang terbentuk masing-masing sebesar 99.51% dan 99.56%
(Tabel 5). Nilai
ini masing-masing menjelaskan bahwa sebesar 99.51% dan
99.56% keragaman IPM Provinsi Jawa Barat mampu dijelaskan oleh model
regresi klasik dan model lag spasial, sedangkan sisanya masing-masing sebesar
0.49% dan 0.44% dijelaskan oleh peubah lain diluar model. Tabel 5 menunjukkan
bahwa nilai
model lag spasial lebih besar dari nilai
model regresi klasik.
Akaike Information Criteria (AIC) merupakan salah satu kriteria untuk
melihat kebaikan suatu model. Suatu model dikatakan baik jika nilai AIC yang
dihasilkan paling kecil dari nilai AIC model lain (Dufour 2008). Tabel 5
menunjukkan bahwa model regresi klasik menghasilkan nilai AIC sebesar -3.062
dan nilai AIC pada model lag spasial sebesar -3.529.
Tabel 5 menunjukkan bahwa nilai
model lag spasial lebih besar dari
nilai
model regresi klasik dan nilai AIC pada model lag spasial lebih kecil dari
nilai AIC model regresi klasik. Nilai
dan AIC dari kedua model regresi
tersebut menunjukkan bahwa model lag spasial lebih baik digunakan daripada
model regresi klasik pada nilai IPM Provinsi Jawa Barat.

SIMPULAN DAN SARAN
Simpulan
Hasil penelitian ini menunjukkan bahwa terdapat pengaruh spasial pada
nilai IPM Provinsi Jawa Barat dan model spasial yang dihasilkan adalah model
lag spasial. Nilai
model lag spasial lebih besar dari nilai
model regresi
klasik dan nilai AIC model lag spasial lebih kecil dari nilai AIC model regresi
klasik. Hasil ini memberikan kesimpulan bahwa model lag spasial menghasilkan
model yang lebih baik dalam menentukan dan memodelkan faktor-faktor yang
mempengaruhi IPM Provinsi Jawa Barat. Persamaan lag spasial yang dihasilkan
adalah sebagai berikut:
̂

14
Persamaan lag spasial yang terbentuk menunjukkan bahwa persentase
penduduk yang buta huruf (X1), angka harapan hidup (X2), rata-rata pengeluaran
perkapita untuk rumah tangga (X5), dan persentase penduduk dengan lulusan
tertinggi minimal SMA/sederajat (X6) mempengaruhi nilai IPM Provinsi Jawa
Barat.

Saran
Penelitian selanjutnya disarankan untuk menggunakan jenis persinggungan
lain dalam membuat matriks pembobot spasial dan membandingkan model spasial
yang dihasilkan dengan hasil penelitian ini. Penambahkan peubah-peubah penjelas
lain yang mempengaruhi IPM Provinsi Jawa Barat juga disarankan untuk menjadi
evaluasi pemerintah dalam meningkatkan pembangunan manusia di Provinsi Jawa
Barat.

DAFTAR PUSTAKA
Anselin L. 1999. Spatial Econometrics. Dallas: Bruton Center.
Arbia G. 2006. Statistical Foundations and Application to Regional Convergence.
Berlin: Springer-Verlag.
[BPS Jabar] Badan Pusat Statistik Provinsi Jawa Barat. 2012. Penyusunan Data
Basis Indeks Pembangunan Manusia (IPM). Jakarta (ID): Badan Pusat
Statistik Provinsi Jawa Barat.
[BPS] Badan Pusat Statistik. 2012. Perkembangan Beberapa Komponen Utama
Sosial-Ekonomi Indonesia. Jakarta (ID): Badan Pusat Statistik.
[BPS] Badan Pusat Statistik. 2012. Tinjauan Regional Berdasarkan PDRB
Kabupaten/Kota 2008-2011 Pulau Jawa-Bali Buku 2. Jakarta (ID): Badan
Pusat Statistik
Draper NR, Smith Harry. 1998. Applied Regression Analysis Third Edition. New
York (US): John Wiley and Sons, Inc.
Dubin R. 2009. Spatial Weights. Di dalam: A Stewart Fortheringham, Peter AR,
editor. The SAGE Handbook of Spatial Analysis. London (GB): SAGE
Publication Ltd. hlm 125-157.
Dufour JM. 2008. Model selection. Di dalam: Blume LE, Durlauf SN, editor.The
New Palgrave Dictionary of Economics Second Edition [Internet].[Waktu
dan tempat pertemuan tidak diketahui]. Bogor (ID). [diunduh 2014 Mei
15]. Tersedia pada: http://www.dictionaryofeconomics.com
Lee J, Wong DWS. 2001. Statistical Analysis with Arcview GIS. New York
(US): John Wiley and Sons, Inc.
LeSage James, Pace RK. 2009. Introduction to Spasial Econometrics. CRC
Press, Boca Ration.
Panjaitan WM. 2012. Penerapan Regresi Spasial pada Pemodelan Kasus
Ketergantungan Spasial (Studi Kasus: Indeks Pembangunan Manusia di
Indonesia Tahun 2010) [Skripsi]. Bogor (ID): Institut Pertanian Bogor.

15
Lampiran 1 Daftar peubah-peubah penjelas yang diduga mempengaruhi IPM
Provinsi Jawa Barat
Peubah

Komponen
Pendidikan

Definisi Peubah
Proporsi
penduduk usia 15
tahun keatas yang
dapat membaca
dan menulis

Satuan
%

X2:
Angka Harapan
Hidup

Kesehatan

Rata-rata lamanya
hidup seseorang
sejak lahir yang
akan dicapai

tahun

X3 :
Persentase
Penduduk
Miskin

Standar
hidup yang
layak

Perbandingan
jumlah penduduk
miskin terhadap
total penduduk

%

X4:
Angka
Partisipasi
Sekolah (APS)
usia 16-18
tahun

Pendidikan

%

X5:
Rata-rata
pengeluaran
perkapita untuk
rumah tangga

Standar
hidup yang
layak

X6:
Persentase
penduduk
dengan lulusan
tertinggi
minimal
SMA/sederajat

Pendidikan

Perbandingan
jumlah penduduk
usia 16-18 tahun
yang bersekolah
terhadap total
penduduk usia
16-18 tahun
Rata-rata
pengeluaran
setiap rumah
tangga dalam
memenuhi
kebutuhannya
baik makanan dan
bukan makanan
(pendidikan,
kesehatan,
perumahan,
sandang, dll)
Perbandingan
penduduk yang
menamatkan
pendidikannya di
tingkat
SMA/sederajat
atau jenjang

X1:
Persentase
penduduk yang
buta huruf

ratus ribu
rupiah/
kapita

%

Sumber
Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011
Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011
Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011
Data Sosial
Ekonomi
Masyarakat
Provinsi Jawa
Barat 2011

Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011

Data Sosial
Ekonomi
Masyarakat
Provinsi Jawa
Barat 2011

16

X7:
Tingkat
pengangguran
terbuka

Standar
hidup yang
layak

X8:
Persentase
rumah tangga
yang tidak
memiliki
sumber air
minum bersih

Kesehatan

X9:
Produk
Domestik
Regional Bruto
(PDRB)
perkapita
X10:
Persentase
balita yang
tidak mendapat
imunisasi

Standar
hidup yang
layak

X11:
Persentase
rumah tangga
yang tidak
memiliki
fasilitas buang
air besar

Kesehatan

Kesehatan

pendidikan yang
lebih tinggi
Perbandingan
penduduk yang
mencari kerja
terhadap angkatan
kerja

%

Perbandingan
%
rumah tangga
dengan sumber
air minum
pompa/
sumur/mata air
jaraknya lebih
besar dari 10
meter dengan
tempat
penampungan
limbah / kotoran
terdekat
Nilai PDRB
juta rupiah
dibagi dengan
jumlah penduduk
dalam suatu
wilayah dalam
periode tertentu
Perbandingan
%
jumlah balita
yang tidak
mendapat
imunisasi
terhadap total
balita
Perbandingan
%
jumlah rumah
tangga yang tidak
memiliki fasilitas
buang air besar
secara pribadi
(tidak memiliki,
milik umum dan
bersama) terhadap
total rumah
tangga

Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011
Data Basis Indeks
Pembangunan
Manusia (IPM)
Provinsi Jawa
Barat Tahun 20102011

Tinjauan Regional
Berdasarkan
PDRB
Kabupaten/Kota
2008-2011 Pulau
Jawa-Bali Buku 2
Data Sosial
Ekonomi
Masyarakat
Provinsi Jawa
Barat 2011

Data Sosial
Ekonomi
Masyarakat
Provinsi Jawa
Barat 2011

17
Lampiran 2 Plot masing-masing peubah penjelas terhadap IPM

x1

80

x2

x3

x4

75
70

0

8

16 66

x5

69

72

6

12

x6

18

45

60

x7

75

x8

80

y

75
70

6,25

6,35

6,45

10

x9

80

30

50 7

9

x10

110

25

50

x11

75
70

15

25

35

0

8

160

20

40

Lampiran 3 Pengujian dan pendugaan parameter dengan metode regresi bertatar
Regresi bertatar: y terhadap x1; x2; x3; x4; x5; x6; x7; x8; x9; x10; x11
Alfa untuk masuk: 0,05 Alfa untuk keluar: 0,05
Peubah respon y dengan 11 peubah penjelas, dengan N = 26
Step
Konstanta
x6
Nilai-t
Nilai-p

1
68,61

2
70,43

0,1735
8,32
0,000

0,1445
9,53
0,000

0,0909
8,67
0,000

0,0544
9,79
0,000

-0,336
-5,38
0,000

-0,302
-9,13
0,000

-0,316
-23,05
0,000

0,638
7,86
0,000

0,619
18,49
0,000

x1
Nilai-t
Nilai-p
x2
Nilai-t
Nilai-p

3
4
28,09 -25,70

x5
Nilai-t
Nilai-p
S
terkoreksi
Cp Mallow

8,80
10,42
0,000
1,37
74,28
73,21
1244,5

0,934
88,60
87,61
541,3

0,489
97,01
96,60
129,3

0,202
99,51
99,42
7,9

18
Lampiran 4 Pemeriksaan asumsi model regresi klasik
Asumsi kenormalan sisaan
Plot kenormalan sisaan model regresi klasik
99
Rataan
Simpangan Bak u
N
KS
Nilai-p

95
90

Persentase

80
70
60
50
40
30
20
10
5

1

-0,4 -0,3 -0,2 -0,1

0,0

0,1

0,2

0,3

0,4

0,5

Sisaan model regresi klasik

Asumsi kehomogenan ragam sisaan
Plot Y_dugaan terhadap sisaan
0,3
0,2

Sisaan

0,1
0,0
-0,1
-0,2
-0,3
-0,4
68

70

72

74

Y_dugaan

76

78

80

-3,82600E-14
0,1847
26
0,111
>0,150

19

Kabupaten/kota

Lampiran 5 Matriks pembobot spasial dengan persinggungan queen contiguity

1
2
3
4
.
.
.
.
23
24
25
26

1
0
1
1
0
.
.
.
.
0
1
1
1

2
1
0
1
0
.
.
.
.
0
0
0
0

3
1
1
0
1
.
.
.
.
0
0
0
0

Kabupaten /kota
4
. .
0
. .
0
. .
1
. .
0
. .
.
. .
.
. .
.
. .
.
. .
0
. .
0
. .
0
. .
0
. .

.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

23
1
0
0
0
.
.
.
.
0
0
0
0

24
0
0
0
1
.
.
.
.
0
0
0
0

25
0
0
0
0
.
.
.
.
0
0
0
0

26
0
0
0
0
.
.
.
.
0
0
0
0

Kabupaten/kota

Lampiran 6 Matriks pembobot spasial hasil metode normalisasi baris

1
2
3
4
.
.
.
.
23
24
25
26

1
0
0.333
0.143
0
.
.
.
.
0
0
0.5
1

2
0.143
0
0.143
0
.
.
.
.
0
0
0
0

Kabupaten /kota
3
4
. . .
0.143
0
. . .
0.333
0
. . .
0
0.143 . . .
0.167
0
. . .
.
.
. . .
.
.
. . .
.
.
. . .
.
.
. . .
0
0
. . .
0
0
. . .
0
0
. . .
0
0
. . .

23
. 0.143
.
0
.
0
.
0
.
.
.
.
.
.
.
.
.
0
.
0
.
0
.
0

24
0
0
0
0.167
.
.
.
.
0
0
0
0

25
0
0
0
0
.
.
.
.
0
0
0
0

26
0
0
0
0
.
.
.
.
0
0
0
0

20
Lampiran 7 Pemeriksaan asumsi model lag spasial
Asumsi kenormalan sisaan
Plot kenormalan sisaan model lag spasial
99

Rataan
Simpangan Bak u
N
KS
Nilai-p

95
90

Persentase

80
70
60
50
40
30
20
10
5

1

-0,3

-0,2

-0,1

0,0

0,1

0,2

0,3

Sisaan model lag spasial

Asumsi kehomogenan ragam sisaan
Plot Y_dugaan model lag spasial terhadap sisaan

Sisaan pada lag spasial

0,3
0,2
0,1
0,0
-0,1
-0,2
-0,3
70,0

72,5

75,0

Y_dugaan model lag spasial

77,5

80,0

0,0006658
0,1233
26
0,077
>0,150

21

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 31 Desember 1991 dari pasangan
Bonar Saragih (Alm) dan Salvestra M Purba. Penulis merupakan anak pertama
dari empat bersaudara. Penulis lulus dari SMA Negeri 12 Jakarta pada tahun
2010 kemudian melanjutkan studi ke Institut Pertanian Bogor (IPB) melalui jalur
Undangan Seleksi Masuk IPB (USMI) dan diterima di Departemen Statistika,
Fakultas Matematika dan Ilmu Pengetahuan Alam. Penulis berhasil
menyelesaikan minor Matematika Keuangan dan Aktuaria pada tingkat empat.
Selama mengikuti perkuliahan di IPB, penulis berkesempatan menjadi
asisten responsi Mata Kuliah Agama Kristen Protestan sebanyak tiga kali pada
tahun ajaran 2011/2012 sampai tahun ajaran 2013/2014, asisten responsi Mata
Kuliah Metode Statistika pada tahun ajaran 2011/2012, dan asisten responsi Mata
Kuliah Perancangan Percobaan I pada tahun ajaran 2012/2013. Penulis juga
berkesempatan menjadi Koordinator Asisten Mata Kuliah Agama Kristen
Protestan pada tahun ajaran 2013/2014. Penulis aktif dalam kegiatan Unit
Kegiatan Mahasiswa (UKM) Persekutuan Mahasiswa Kristen (PMK) IPB
terutama dalam Komisi Pelayanan Anak PMK IPB dan Himpunan Keprofesian
Gamma Sigma Beta sebagai staf Biro Kesekretariatan pada periode kepengurusan
tahun 2013. Penulis juga berkesempatan mengikuti beberapa kegiatan kepanitiaan
seperti Statistika Ria 2012 dan Pesta Sains Nasional 2012. Penulis melaksanakan
Praktik Lapang di PT UOB Indonesia pada bulan Juli-Agustus 2013.